2018年(273)
分类: 大数据
2018-06-25 15:24:33
由于最近几年深度学习的发展,深度学习基本上等于人工智能,知识引擎变得有点过气。知识图谱和深度学习对人工智能有着不同的解决方案,深度学习解决不了一些知识性问题,但是知识图谱可以解决。
知识图谱最核心的事情就是把数据和知识整理成图的结构,图是由边加上点组成,每个点代表这个领域的实体,每个边代表实体和实体之间的关系。把数据和信息表示成知识图谱的形式就可以定义出一个叫做商品的实体类型。
一开始的数据是多元异构数据,可能是结构化开放知识库、半结构化领域数据和非结构化网页文档。知识引擎架构的构造一般需要三步,第一步需要进行知识建模,第二步是知识获取,第三部是知识融合,知识融合不是必须的,但是一般会用到,它是把两个或更多知识图谱链接起来。知识融合可以使知识图谱越来越大。
第一个是技术是核心节点的构建。如产品的构建,产品是真实世界的一个可收买单元。以一个小米4A的电视举例,这是一个线下可售卖单元,就是一款产品。这样一款产品在天猫淘宝等上有几百个卖家都在卖,这些卖家在淘宝上创建的链接就是商品。知识图谱要做的就是把这些商品聚齐起来,然后把同款的商品都找出来关联到产品节点上。很多商品都关联到一个产品节点上,这些商品就是同款的商品。这一块非常的难做到,我们需要做一个复杂的模型,来做大规模同款商品的训练。如果有新的产品可以自动的往上面进行挂载,聚合成一个产品库。如果把全网的产品都挂上去就可以查出最低的价格。
第二个技术就是推理技术,推理技术是知识引擎的一个前沿的研究领域,推理技术是学术界也没有攻克的研究领域。在工业界用的时候需要做大量的工作。